机器学习 (Machine Learning)
机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下学习和改进。
监督学习
使用标记数据训练模型，包括分类和回归问题。
无监督学习
从无标记数据中发现隐藏的模式和结构。
强化学习
通过与环境交互来学习最优策略。
自然语言处理 (NLP)
自然语言处理是计算机科学和人工智能的结合点，帮助计算机理解、解释和生成人类语言。
文本分析
情感分析、关键词提取和文本分类。
语言翻译
自动翻译系统，如Google翻译。
语音识别
将语音转换为文本的技术。
计算机视觉 (Computer Vision)
计算机视觉旨在使机器能够像人类一样理解和处理视觉信息。
图像识别
识别和分类图像中的对象。
人脸识别
检测和识别图像中的人脸。
物体检测
在图像中定位和识别多个对象。
深度学习 (Deep Learning)
深度学习是机器学习的一个子集，使用多层神经网络来学习数据的表示。
卷积神经网络
特别适用于图像处理的神经网络架构。
循环神经网络
处理序列数据的神经网络，如时间序列或文本。
变换器模型
基于注意力机制的新型网络架构。
神经网络 (Neural Networks)
神经网络是受生物神经系统启发的计算模型，用于识别模式和解决问题。
感知机
最简单的神经网络形式。
多层感知机
具有多个隐藏层的神经网络。
自编码器
用于无监督学习的神经网络。
强化学习 (Reinforcement Learning)
强化学习是一种学习范式，其中智能体通过与环境交互来学习最优行为。
Q学习
基于价值的强化学习算法。
策略梯度
直接优化策略的强化学习方法。
Actor-Critic
结合价值函数和策略的混合方法。